江苏龙网

  1. 首页 > 人文 > >

实战解析：真实AI场景下，极小目标检测与精度提升( 四 )


货架挡板检测优化—自动数据增强
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
我们把自动数据增强应用在货架挡板检测案例上 ， 从原来的0.87提升到了0.88 。
我们再考虑一个问题 ， 模型训练本身的超参非常多 ， 如何才能搜索出最佳超参下的效果呢？
我们可以采用自动超参搜索的技术 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
EasyDL的自动超参搜索技术是基于百度内部的分布式智能搜索服务 ， 目前支持随机搜索、贝叶斯搜索和进化算法三种算法 ， 支持图像分类和物体检测两类任务 。
有两大特点 ， 一是其中的一些算法可以进行无梯度优化 ， 不依赖于平滑性假设 。 二是支持大规模并行搜索调参 。
在EasyDL线上多场景上面 ， 加上我们自动数据分析 ， 再加上超参搜索 ， 检测精度平均提升10%以上 。
货架挡板检测优化—自动超参搜索效果
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
继续把自动数据增强应用到本案例中 ， 效果从0.88提升到0.92 。 总体来说 ， 我们通过一系列的效果优化 ， 从最初的0.812提升到了现在的0.92 ， 效果上非常可观 。
优化案例2：以电力巡检缺陷检测为例
接下来我们再看电力巡检缺陷检测案例的优化 。 这个案例的难点在于图片非常大（4k分辨率） ， 但是检测框却非常小 ， 所以其漏检率非常高 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
首先 ， 选择一个基础模型 ， 这里选择了retinanet和Faster RCNN ， m AP最高是0.61 。
anchor自适应优化
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
接下来用anchor自适应优化进行调节 ， 蓝框是K-means聚类的结果；粉红框是差分进化的结果 ， 可以看出差分进化算法在匹配效果上更加优秀 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
利用anchor自适应优化算法 ， 检测结果从0.61提升到0.65 。 效果有所提升 ， 但对于商用场景来说不够理想 。 那么 ， 如何从根本上提升效果？
自动切图优化
这里涉及到了上述的第4个难点 ， 图片非常大 ， 检测框非常小 。 因此 ， 这里就考虑用到自动切图技术 ， 既能够不放大图片尺寸 ， 又能够放大检测目标 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
我们把这张图切成了9个子图 ， 9个子图有一定的相交 。 问题是这9张子图全部都要参与训练 ， 也就是会增加9倍的简单的负样本 ， 而且模型并没有可以选择的机会 。 就会导致模型越学越简单 ， 无法检测很难的案例 。
如何解决这个问题？首先 ， 挑选出包含较难负样本的Negative chips切图 ， 把包括这些较难的负样本的区域提取出来 ， 作为一个子图 ， 实现自动挑难负样本的能力 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
△SNIPER-正样本切图策略
其次 ， 用切图代替原图 ， 并降低计算量 。
SNIPER论文考虑到了这个问题 ， 以正样本的切图为例 ， 小尺寸图对应小GT框 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
△SNIPER-负样本切图策略
对于负样本 ， 则先训练几个anchor ， 使模型具有一定的分辨能力 ， 标记假阳性的难负样本 ， 并学习错误的样本 。 通过这种方式 ， 可以找到最难的一批负样本切图 。


推荐阅读


上一篇：低于预期|茅台三季报业绩低于预期“压垮”股价

下一篇：同比|北化股份：2020年前三季度净利润约6952万元，同比下降35.73%